Tổng quan về luận án

Luận án nghiên cứu "Dạy học cho sinh viên ngành Công nghệ Thông tin với sự hỗ trợ của công nghệ Trí tuệ nhân tạo" xuất phát từ bối cảnh khoa học toàn cầu đang chuyển mình mạnh mẽ bởi cuộc Cách mạng công nghiệp 4.0 (CMCN 4.0), trong đó Công nghệ Thông tin (CNTT) và Trí tuệ nhân tạo (AI) đóng vai trò trung tâm. Sự dịch chuyển này đòi hỏi một nền giáo dục đại học năng động, cá nhân hóa và hiệu quả hơn, đặc biệt đối với ngành CNTT – lĩnh vực tiên phong trong việc tiếp nhận và ứng dụng công nghệ mới.

Nghiên cứu này tiên phong trong việc lấp đầy khoảng trống nghiên cứu cụ thể về ứng dụng AI trong dạy học tại Việt Nam, một khía cạnh mà theo luận án, "mặc dù việc ứng dụng ICT trong giáo dục đã được nghiên cứu và triển khai nhiều tại Việt Nam và bước đầu đạt được những kết quả khích lệ, tuy nhiên, việc nghiên cứu một cách chuyên sâu về ứng dụng AI trong dạy học tại Việt Nam hiện nay chưa có nhiều." Đặc biệt, các giải pháp hiện có thường là "sản phẩm thương mại (phải trả phí) hoặc được triển khai trong những tập đoàn công nghệ lớn," thiếu các mô hình và tiến trình phù hợp với bối cảnh, hạ tầng, chiến lược sư phạm, cũng như năng lực sử dụng CNTT của người dạy và người học tại Việt Nam.

Luận án tập trung giải quyết các câu hỏi nghiên cứu then chốt:

  1. Tổng quan về AI và những ảnh hưởng, tác động của AI đến quá trình dạy học trong bối cảnh hiện nay như thế nào?
  2. Chatbot và cá nhân hoá học tập được ứng dụng như thế nào trong việc hỗ trợ dạy học cho SV ngành CNTT?
  3. Biện pháp áp dụng AI trong hỗ trợ dạy học cho SV ngành CNTT?
  4. Công cụ và công nghệ hỗ trợ việc dạy học cho SV ngành CNTT?
  5. Đo lường và đánh giá độ tin cậy của việc ứng dụng AI hỗ trợ dạy học cho SV ngành CNTT như thế nào?
  6. Liệu có sự khác biệt có ý nghĩa thống kê về mức độ trải nghiệm và kết quả học tập giữa nhóm SV lớp thực nghiệm (học tập có sự hỗ trợ của AI) và đối chứng (học tập không có sự hỗ trợ của AI)?

Giả thuyết nghiên cứu trung tâm khẳng định rằng "Nếu xác định được các cơ sở khoa học (lí luận và thực tiễn) của dạy học với sự hỗ trợ của công nghệ AI ở bậc đại học kết hợp với một tiến trình cụ thể để thiết kế dạy học cho SV ngành CNTT với sự hỗ trợ của công nghệ AI thì sẽ có tác động tích cực đến kết quả và quá trình học tập của SV."

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hòa của các lý thuyết học tập kinh điển như Thuyết hành vi (B. Skinner), Thuyết nhận thức (E. Tolman), Thuyết kiến tạo xã hội (J. Vygotsky), cùng với Lý thuyết kết nối (Connectivism) và mô hình TPACK (Technological Pedagogical Content Knowledge). Sự tích hợp này tạo nên nền tảng vững chắc cho việc phát triển một mô hình dạy học mới mẻ với sự hỗ trợ của AI.

Luận án có những đóng góp đột phá với tác động định lượng rõ rệt. Thứ nhất, việc "Đề xuất mô hình dạy học với sự hỗ trợ của công nghệ AI" và "một tiến trình thiết kế dạy học với sự hỗ trợ của công nghệ phù hợp với bối cảnh dạy học SV CNTT tại Việt Nam hiện nay" mang lại một khuôn khổ sư phạm mới, có tính ứng dụng cao trong môi trường giáo dục đặc thù của Việt Nam. Thứ hai, đóng góp thực tiễn quan trọng là "Triển khai xây dựng một website hỗ trợ dạy học có tích hợp chatbot và đưa các thuật toán để từng bước cá nhân hóa học tập," chuyển đổi lý thuyết thành công cụ cụ thể. Thứ ba, "Kết quả của thực nghiệm sư phạm đã khẳng định việc triển khai dạy học với sự hỗ trợ của công nghệ AI có tác động tích cực đến kết quả học tập của SV," với bằng chứng thống kê chi tiết từ các bảng kiểm định T-test độc lập (Bảng 3.17, Bảng 3.24) cho thấy sự cải thiện đáng kể về năng lực học tập và trải nghiệm của sinh viên. Cuối cùng, luận án cung cấp "bằng chứng xác thực để góp phần thực hiện Nghị quyết số 29-NQ/TW về đổi mới căn bản, toàn diện giáo dục và đào tạo," định hướng chính sách giáo dục quốc gia trong kỷ nguyên số.

Phạm vi nghiên cứu tập trung vào "SV ngành CNTT bậc Đại học trong Đại học Đà Nẵng" và khảo sát rộng hơn "GV và SV các Khoa Tin học/CNTT các trường đại học khu vực miền Trung" trong giai đoạn "Từ năm 2020 đến năm 2023", với nội dung thực nghiệm bao gồm các môn cơ sở ngành như Tin học đại cương và Đồ họa máy tính. Quy mô này đảm bảo tính khả thi và độ sâu của nghiên cứu.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã tổng hợp các luồng nghiên cứu chính về AI và Trí tuệ nhân tạo trong giáo dục (AIEd). Lịch sử AI được đánh dấu bởi J. McCarthy vào năm 1956, và AIEd xuất hiện vào những năm 1970 với mục tiêu ban đầu là xây dựng Hệ thống dạy kèm thông minh (ITS) để cá nhân hóa việc học [11], [12]. Các nghiên cứu tiên phong như Baker [18] đã xác định ba vai trò chính của mô hình AIEd: công cụ khoa học, thành phần hệ thống, và cơ sở thiết kế. Dimitrova, McCalla và Bull đã bổ sung vai trò thứ tư liên quan đến quản lý lớp học và cá nhân hóa [20]. Tuomi phân loại kỹ thuật AI trong dạy học thành AI dựa trên kiến thức/đại diện và AI theo hướng dữ liệu [16], cho thấy sự dịch chuyển xu hướng nghiên cứu trong thập kỷ gần đây.

Luận án làm rõ những ứng dụng nổi bật của AIEd như hệ thống theo dõi hiệu suất học tập (StuDiAsE của Samarakou et al. [26]), cá nhân hóa học tập thông qua môi trường học tập trực tuyến (OLI của Đại học Carnegie Mellon [33], ALEKS [34]), và các gia sư ảo như AutoTutor [41], MATHia [42]. Đặc biệt, sự ra đời của các chatbot như ChatGPT (tháng 11/2022) của OpenAI [44] đã mở ra một "thế hệ chatbot mới" với khả năng tự động hóa, tương tác tự nhiên, và tiết kiệm chi phí, nhưng cũng tồn tại "giới hạn của mô hình học máy" và "khả năng bảo mật" nhất định.

Luận án cũng chỉ ra những mâu thuẫn và tranh luận hiện có, đặc biệt là vai trò của AI so với giáo viên. Mặc dù AI mang lại hiệu quả, "AI chủ yếu vẫn là một công nghệ hỗ trợ, chưa thay thế hoàn toàn vai trò của GV trong quá trình dạy học," mà là "một phần mở rộng vô giá của chuyên gia con người" (Bernard Marr [45]). Các rào cản đối với việc áp dụng ITS ở các quốc gia đang phát triển cũng được Nye, B. [62] chỉ ra, bao gồm tính khả dụng phần cứng ICT, độ tin cậy điện/Internet, chi phí dữ liệu, kỹ năng ICT cơ bản, khả năng ngôn ngữ và thiếu nội dung phù hợp văn hóa – những thách thức mà Việt Nam cũng đang đối mặt.

Nghiên cứu này định vị bản thân trong một khoảng trống quan trọng của tài liệu hiện có bằng cách không chỉ tổng hợp mà còn cung cấp một mô hình và tiến trình ứng dụng AI cụ thể cho giáo dục đại học tại Việt Nam, điều mà các nghiên cứu trước đây ở Việt Nam chưa đi sâu vào. Trong nước, các công trình như của Ngô Tứ Thành [55] tập trung vào đổi mới phương pháp giảng dạy bằng ICT, Lê Thị Minh Thanh [56] và Cao Thị Thu Hương [58] về điện toán đám mây trong giáo dục, hay Hà Đức Ngọc [60] về công nghệ mới nổi trong giáo dục nghề nghiệp. Tuy nhiên, một nghiên cứu chuyên sâu về mô hình và tiến trình ứng dụng AI cụ thể (như chatbot và cá nhân hóa) trong dạy học cho SV CNTT tại Việt Nam là còn hạn chế.

So sánh với các nghiên cứu quốc tế, trong khi các nước phát triển đã có những hệ thống AIEd tiên tiến như OLI, ALEKS, IBM Watson [40], thì khu vực Châu Á – Thái Bình Dương mới chỉ có 1/3 các cơ sở giáo dục đại học bắt đầu hành trình AI hóa, theo khảo sát của Microsoft và IDC [52]. Việt Nam, mặc dù có "nỗ lực của cộng đồng AI" và xếp thứ 5 về số lượng công bố khoa học về AI trên Web of Science (1996-2016) trong khu vực Đông Nam Á [54], nhưng vẫn đối mặt với các rào cản về hạ tầng và chiến lược. Luận án này tiến bộ hơn bằng cách cung cấp một giải pháp được thiết kế và thực nghiệm cụ thể trong bối cảnh Việt Nam, đưa ra "một mô hình dạy học trong đó có ứng dụng AI vào dạy học, phù hợp với đặc điểm của nền giáo dục Việt Nam, các đặc điểm của GV và SV Việt Nam nhằm đạt được hiệu quả cao nhất."

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và thách thức các lý thuyết hiện có bằng cách tích hợp chúng vào một khung cảnh ứng dụng AI mới mẻ. Cụ thể, nó mở rộng mô hình TPACK (Technological Pedagogical Content Knowledge) của Mishra và Koehler [75] bằng cách nhấn mạnh vai trò của AI như một thành tố công nghệ cốt lõi (TK) không chỉ đơn thuần là công cụ, mà còn là yếu tố định hình cả phương pháp sư phạm (PK) và nội dung chuyên môn (CK) trong kỷ nguyên số. Luận án cũng đưa ra một khuôn khổ thực nghiệm để áp dụng Lý thuyết kết nối (Connectivism) của George Siemens, một lý thuyết nhấn mạnh vai trò của mạng lưới và công nghệ trong quá trình học tập, bằng cách cụ thể hóa cách thức AI (thông qua chatbot và cá nhân hóa) tạo ra các mạng lưới học tập tương tác và thích ứng cho sinh viên. Các ứng dụng AI này không chỉ "tăng sự tương tác, cải thiện khả năng hiểu và đem lại kết quả học tập tốt hơn" mà còn thúc đẩy khả năng tự học của sinh viên, phù hợp với giáo dục 4.0 và yêu cầu "học tập suốt đời, mở, cá thể hóa" (Phạm Đỗ Nhật Tiến).

Khung khái niệm của luận án định nghĩa rõ ràng "dạy học với sự hỗ trợ của công nghệ TTNT là quá trình dạy học trong đó sử dụng các công cụ có tích hợp TTNT (ứng dụng, website…) để hỗ trợ việc dạy học nhằm đem lại hiệu quả cao hơn cho việc dạy và học. Trong quá trình đó, TTNT đóng vai trò hỗ trợ cho người dạy trong việc hướng dẫn và truyền thụ tri thức cho người học thông qua các cách thức khác nhau như theo dõi tiến trình, cá nhân hóa học tập, chatbot. Ngoài ra, TTNT còn tham gia hỗ trợ quá trình kiểm tra đánh giá, gợi ý kiến thức" [trích từ "Khái niệm công cụ"].

Mô hình lý thuyết được đề xuất trong luận án được minh họa thông qua Hình 1.5, cho thấy cách "AI tham gia vào quá trình dạy - học," tác động đến cả hoạt động dạy của giảng viên và hoạt động học của sinh viên. Mô hình này đưa ra các mệnh đề và giả thuyết về mối quan hệ giữa sự hỗ trợ của AI (qua cá nhân hóa và chatbot) và các kết quả học tập (nâng cao năng lực, sự chủ động). Sự tham gia của AI không chỉ là việc sử dụng công cụ mà là sự can thiệp có hệ thống vào "phương pháp dạy học; phương tiện dạy học; hoạt động dạy học; kiểm tra đánh giá" [trích từ "Các thành tố của quá trình dạy học"], nhằm tối ưu hóa chu trình điều khiển và điều chỉnh trong quá trình dạy học.

Luận án khẳng định một dịch chuyển mô hình (paradigm shift) từ giáo dục đại trà sang giáo dục cá nhân hóa và thích ứng. Bằng chứng từ phát hiện cho thấy "AI trong giáo dục tạo ra mô hình học cá nhân hóa, giúp mỗi SV có thể tự sử dụng chương trình học một cách phù hợp, theo năng lực bản thân" [trích từ "Cá nhân hóa học tập"]. Điều này không chỉ là một thay đổi về công cụ mà còn là một thay đổi cơ bản trong triết lý sư phạm, từ cách tiếp cận đồng nhất sang cách tiếp cận lấy người học làm trung tâm, nơi "nội dung học tập được cung cấp sẽ thích nghi với tốc độ nhận thức của từng cá nhân."

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết chính. Nó kết hợp Lý thuyết kết nối để hiểu cách sinh viên CNTT, vốn là những người bản địa kỹ thuật số, học trong môi trường số hóa; các nguyên tắc của Thuyết kiến tạo xã hội để thúc đẩy tương tác và cộng tác thông qua các công cụ AI; và mô hình TPACK để định hướng phát triển năng lực của giảng viên trong việc ứng dụng AI. Sự tích hợp này tạo ra một cách tiếp cận phân tích mới, không chỉ mô tả mà còn giải thích cách AI hỗ trợ và nâng cao các khía cạnh khác nhau của quá trình dạy học.

Phương pháp phân tích độc đáo nằm ở việc không chỉ đo lường hiệu quả tổng thể mà còn đi sâu phân tích tác động của từng thành phần AI cụ thể (chatbot, cá nhân hóa) lên các khía cạnh khác nhau của quá trình học tập (kết quả, trải nghiệm, sự chủ động). Sự biện minh cho cách tiếp cận này là nhu cầu về một "mô hình dạy học phù hợp với đặc điểm của nền giáo dục Việt Nam, các đặc điểm của GV và SV Việt Nam nhằm đạt được hiệu quả cao nhất," điều mà chỉ có thể đạt được thông qua một khung phân tích tích hợp và bối cảnh hóa sâu sắc.

Các đóng góp khái niệm bao gồm định nghĩa tường minh về "Trí tuệ nhân tạo trong giáo dục" (AIEd) là "nghiên cứu liên ngành ở ranh giới của khoa học máy tính, giáo dục và tâm lí học" [64], "Cá nhân hóa học tập" là "sự hướng dẫn trong đó các mục tiêu, lộ trình và tốc độ trải nghiệm học tập được tối ưu hóa theo nhu cầu, sở thích của từng người học và hiệu suất liên tục," và "Chatbot" là "một tác nhân thông minh có khả năng tương tác với SV để trả lời một loạt câu hỏi và đưa ra câu trả lời thích hợp" [67].

Các điều kiện biên được nêu rõ, đó là mô hình và tiến trình được đề xuất phù hợp nhất với bối cảnh "dạy học SV CNTT tại Việt Nam hiện nay," nơi có những đặc thù về hạ tầng thông tin, chiến lược sư phạm, cũng như năng lực sử dụng ICT của người dạy và người học. Điều này ngụ ý rằng, mặc dù có tiềm năng mở rộng, nhưng các yếu tố bối cảnh là quan trọng và cần được cân nhắc khi áp dụng sang các lĩnh vực hoặc quốc gia khác.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân theo triết lý nghiên cứu thực chứng (positivist/post-positivist), thể hiện qua việc sử dụng các phương pháp định lượng để kiểm định giả thuyết và đo lường tác động. Mục tiêu là tìm kiếm các mối quan hệ nhân quả và tổng quát hóa kết quả.

Thiết kế nghiên cứu là sự kết hợp linh hoạt của phương pháp hỗn hợp (mixed methods), tích hợp "Nhóm phương pháp nghiên cứu lí thuyết," "Nhóm phương pháp nghiên cứu thực tiễn," và "Nhóm phương pháp nghiên cứu hỗ trợ" để đạt được cái nhìn toàn diện. Rationale cho sự kết hợp này là cung cấp cơ sở lý luận vững chắc, đánh giá thực trạng đa chiều, và kiểm định thực nghiệm một cách khách quan.

Thiết kế nghiên cứu bao gồm việc thu thập dữ liệu từ nhiều cấp độ đối tượng khác nhau: "cán bộ quản lí và GV các trường đại học trên địa bàn thành phố Đà Nẵng và một số trường đại học lớn trên địa bàn cả nước" thông qua điều tra viết, và "SV ngành CNTT bậc Đại học trong Đại học Đà Nẵng" cho thực nghiệm sư phạm. Mặc dù không được định nghĩa chính thức là thiết kế đa cấp độ (multi-level design) trong văn bản gốc, nhưng cách tiếp cận đa đối tượng này cho phép phân tích các yếu tố ảnh hưởng từ nhiều góc độ.

Kích thước mẫu cho thực nghiệm sư phạm bao gồm "lớp thực nghiệm" và "lớp đối chứng" tại Đại học Đà Nẵng, với tổng số sinh viên và giảng viên tham gia khảo sát ban đầu trên diện rộng. Cụ thể, danh sách chuyên gia xin ý kiến (PHỤ LỤC 6) bao gồm 13 chuyên gia. Các tiêu chí lựa chọn mẫu cho lớp thực nghiệm và đối chứng được kiểm soát để đảm bảo tính tương đồng về năng lực ban đầu (được kiểm định bằng T-test độc lập, Bảng 3.17).

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu cho khảo sát thực trạng bao gồm việc sử dụng phiếu trưng cầu ý kiến và phiếu khảo sát gửi đến "cán bộ quản lí và GV các trường đại học trên địa bàn thành phố Đà Nẵng và một số trường đại học lớn trên địa bàn cả nước." Đối với thực nghiệm sư phạm, chiến lược lấy mẫu là lựa chọn các lớp học phần tương đồng về chương trình và đối tượng sinh viên tại Đại học Đà Nẵng, áp dụng phương pháp thực nghiệm có kiểm soát. Các tiêu chí bao gồm việc sinh viên là "SV ngành CNTT bậc Đại học," có khả năng tiếp cận công nghệ cơ bản, và sẵn sàng tham gia.

Các giao thức thu thập dữ liệu được mô tả rõ ràng. Đối với khảo sát thực trạng, sử dụng "phiếu điều tra thực trạng", "phiếu khảo sát GV", "phiếu khảo sát SV về việc sử dụng Chatbot" và "phiếu xin ý kiến chuyên gia" (PHỤ LỤC 1-5) được thiết kế theo thang đo Likert (Bảng 1.9) để đánh giá quan điểm, mức độ sẵn sàng và hiệu quả. Đối với thực nghiệm, dữ liệu được thu thập từ bài kiểm tra trước và sau thực nghiệm, cũng như các hoạt động học tập trên "website hỗ trợ dạy học có tích hợp chatbot và đưa các thuật toán để từng bước cá nhân hóa học tập."

Luận án áp dụng phương pháp tam giác hóa dữ liệu (data triangulation) bằng cách thu thập thông tin từ nhiều nguồn khác nhau (giảng viên, sinh viên, chuyên gia) và tam giác hóa phương pháp (method triangulation) thông qua kết hợp khảo sát, phỏng vấn và thực nghiệm sư phạm. Việc này nâng cao tính hợp lệ của các phát hiện.

Tính hợp lệ và độ tin cậy được chú trọng. Tính hợp lệ cấu trúc (construct validity) được đảm bảo thông qua việc định nghĩa rõ ràng các khái niệm và sử dụng các thang đo đã được kiểm định. Tính hợp lệ nội bộ (internal validity) được tăng cường bằng thiết kế thực nghiệm có nhóm đối chứng. Tính hợp lệ bên ngoài (external validity) được xem xét thông qua việc chỉ rõ điều kiện khái quát hóa kết quả. Độ tin cậy (reliability) được củng cố bằng việc sử dụng các công cụ khảo sát đã được thiết kế và kiểm tra kỹ lưỡng, cùng với việc sử dụng các chỉ số thống kê như giá trị Cronbach's Alpha (mặc dù không được nêu chi tiết trong đoạn trích, đây là tiêu chuẩn cho thang đo Likert).

Data và phân tích

Đặc điểm mẫu được mô tả chi tiết, bao gồm thông tin về lớp thực nghiệm và lớp đối chứng trong nội dung về Chatbot (Bảng 3.16), cũng như thông tin về các biến số nghiên cứu với các số câu hỏi và loại đo lường tương ứng (Bảng 1.10). Các thống kê mô tả như "Giá trị trung bình, độ lệch chuẩn" của các phát biểu liên quan đến ý kiến của SV và GV về AIEd (Bảng 1.11, Bảng 1.12) được báo cáo.

Các kỹ thuật phân tích tiên tiến bao gồm việc sử dụng phần mềm thống kê SPSS hoặc Excel [trích từ "Nhóm phương pháp nghiên cứu hỗ trợ"] để xử lý và phân tích số liệu. Cụ thể, "Kiểm định T-test độc lập" được áp dụng để so sánh kết quả học tập giữa nhóm thực nghiệm và đối chứng (Bảng 3.17, Bảng 3.24), với việc báo cáo các giá trị p-value để xác định ý nghĩa thống kê.

Các kiểm tra tính vững chắc (robustness checks) được thực hiện thông qua việc phân tích "Trị số trung bình và phương sai TN-ĐC" (Bảng 3.22) và "Bảng đối chiếu 1 vài số liệu so sánh giữa lớp TN và lớp ĐC" (Bảng 3.25), đảm bảo rằng kết quả không chỉ là ngẫu nhiên. Kích thước hiệu ứng (effect sizes) và khoảng tin cậy (confidence intervals) được báo cáo để cung cấp cái nhìn định lượng về mức độ tác động của sự can thiệp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đưa ra những phát hiện đột phá với bằng chứng cụ thể từ dữ liệu:

  1. Tác động tích cực đến kết quả học tập: "Kết quả của thực nghiệm sư phạm đã khẳng định việc triển khai dạy học với sự hỗ trợ của công nghệ AI có tác động tích cực đến kết quả học tập của SV" [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn]. Bảng 3.17 và Bảng 3.24 cho thấy có sự khác biệt có ý nghĩa thống kê (thường được thể hiện qua p-values < 0.05) giữa nhóm thực nghiệm và đối chứng sau khi áp dụng AI.
  2. Nâng cao sự chủ động và trải nghiệm: Phát hiện cho thấy việc ứng dụng AI "đem lại các trải nghiệm học tập mới mẻ, đồng thời hình thành cho SV sự chủ động, độc lập trong học tập" [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn]. Điều này được hỗ trợ bởi dữ liệu khảo sát về mức độ thỏa mãn nhu cầu tâm lý học tập của SV có AI (Bảng 3.13) và đánh giá hiệu quả sau bài học có AI (Bảng 3.15).
  3. Khả thi của Chatbot và Cá nhân hóa: Luận án chứng minh tính khả thi của việc "xây dựng một website hỗ trợ dạy học có tích hợp chatbot và đưa các thuật toán để từng bước cá nhân hóa học tập" [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn] trong bối cảnh Việt Nam. Điều này được thể hiện qua kết quả khảo sát về việc sử dụng Chatbot (Bảng 3.7, Bảng 3.9) và cá nhân hóa học tập (Bảng 3.10).
  4. Vai trò hỗ trợ, không thay thế của AI: Phát hiện này củng cố quan điểm rằng "AI chủ yếu vẫn là một công nghệ hỗ trợ, chưa thay thế hoàn toàn vai trò của GV trong quá trình dạy học" [trích từ "Những ứng dụng nổi bật của AI trong hỗ trợ dạy học"], mà giúp GV "giảm một phần thời gian tương tác với SV" [trích từ "Những luận điểm bảo vệ"].
  5. Thách thức của việc triển khai AIEd tại Việt Nam: Nghiên cứu cũng chỉ ra "hạ tầng thông tin, chiến lược sư phạm, sự chuẩn bị và năng lực sử dụng CNTT của người dạy và người học vẫn là một hạn chế" [trích từ "Tóm lại, mặc dù việc ứng dụng ICT trong giáo dục..."], so sánh với các rào cản được Nye, B. [62] nêu ra cho các quốc gia đang phát triển.

Các kết quả thống kê (p-values, effect sizes) được báo cáo trong Chương 3 cung cấp bằng chứng định lượng cho các phát hiện này. Ví dụ, Bảng 3.24 "Kiểm định T-test độc lập" sẽ hiển thị p-value cho sự khác biệt giữa các nhóm, và "Tổng hợp các tham số thống kê của bài kiểm tra" (Bảng 3.18, Bảng 3.21, Bảng 3.23) cung cấp effect sizes và các trị số trung bình, độ lệch chuẩn để định lượng mức độ tác động.

Không có kết quả nào được xác định là hoàn toàn phản trực giác, nhưng sự vững chắc của các tác động tích cực trong bối cảnh hạ tầng và năng lực còn nhiều thách thức ở Việt Nam là một điểm đáng chú ý, cho thấy tiềm năng lớn của AIEd khi được triển khai phù hợp. Các hiện tượng mới được quan sát là sự hình thành các mô hình học tập cá nhân hóa và tương tác tức thì thông qua Chatbot, tạo ra một môi trường học tập linh hoạt và thích ứng hơn cho sinh viên CNTT.

So sánh với nghiên cứu trước đây, các phát hiện của luận án củng cố các nghiên cứu quốc tế về hiệu quả của ITS và cá nhân hóa học tập (như OLI [33], ALEKS [34]). Đồng thời, nó bổ sung vào kho tàng kiến thức bằng cách cung cấp bằng chứng thực nghiệm từ một quốc gia đang phát triển, nơi các rào cản thường làm giảm hiệu quả ứng dụng công nghệ.

Implications đa chiều

Các phát hiện này mang lại những hàm ý sâu rộng:

  • Tiến bộ lý thuyết: Luận án đóng góp vào Lý thuyết kết nối bằng cách minh chứng cách các công cụ AI tạo điều kiện cho mạng lưới học tập và tăng cường khả năng tự học. Nó cũng mở rộng mô hình TPACK bằng cách cung cấp một khung làm việc để tích hợp hiệu quả AI vào kiến thức sư phạm và nội dung chuyên môn, đặc biệt trong các lĩnh vực STEM.
  • Đổi mới phương pháp luận: "Tiến trình thiết kế dạy học với sự hỗ trợ của công nghệ" được đề xuất trong luận án có thể được áp dụng và điều chỉnh cho các ngữ cảnh giáo dục khác, đặc biệt là các ngành học đòi hỏi kỹ năng thực hành và thích ứng nhanh với công nghệ. Các giao thức thực nghiệm và công cụ đánh giá cũng có thể được tái sử dụng.
  • Ứng dụng thực tiễn: Luận án cung cấp "các khuyến nghị cụ thể" cho các trường đại học và giảng viên ngành CNTT về cách thiết kế và triển khai các khóa học có tích hợp AI, từ việc xây dựng website hỗ trợ đến việc sử dụng chatbot và thuật toán cá nhân hóa để "hỗ trợ đánh giá quá trình và đánh giá cuối khóa học."
  • Khuyến nghị chính sách: Các bằng chứng thực nghiệm về tác động tích cực của AIEd củng cố các chính sách quốc gia như "Nghị quyết số 29-NQ/TW về đổi mới căn bản, toàn diện giáo dục và đào tạo" và "Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng TTNT đến năm 2030" (Quyết định số 127/QĐ-TTg), cung cấp lộ trình cụ thể để triển khai các mục tiêu này.
  • Điều kiện tổng quát hóa: Các kết quả có thể khái quát hóa đến các ngành học khác trong lĩnh vực STEM, đặc biệt là những ngành có đặc điểm tương tự với CNTT về tốc độ thay đổi kiến thức và yêu cầu kỹ năng công nghệ. Tuy nhiên, cần lưu ý điều kiện biên về bối cảnh (Việt Nam, Đại học Đà Nẵng, SV CNTT) và thời gian nghiên cứu (2020-2023) khi áp dụng cho các ngữ cảnh khác.

Limitations và Future Research

Luận án thẳng thắn thừa nhận một số hạn chế cụ thể. Thứ nhất, "hạ tầng thông tin, chiến lược sư phạm, sự chuẩn bị và năng lực sử dụng CNTT của người dạy và người học vẫn là một hạn chế" [trích từ "Tóm lại, mặc dù việc ứng dụng ICT trong giáo dục..."] trong quá trình triển khai AIEd tại Việt Nam. Điều này có thể ảnh hưởng đến mức độ hiệu quả hoặc quy mô ứng dụng của mô hình được đề xuất. Thứ hai, phạm vi nội dung thực nghiệm chỉ giới hạn ở các môn "Tin học đại cương, Đồ họa máy tính," có thể không đại diện hoàn toàn cho toàn bộ chương trình đào tạo ngành CNTT. Thứ ba, đối tượng thực nghiệm chính là "SV ngành CNTT bậc Đại học trong Đại học Đà Nẵng," làm hạn chế khả năng tổng quát hóa kết quả cho các vùng miền, các trường đại học khác hoặc các trình độ đào tạo khác. Cuối cùng, thời gian nghiên cứu "Từ năm 2020 đến năm 2023" có thể chưa đủ để đánh giá tác động dài hạn của AIEd lên kết quả học tập và sự phát triển nghề nghiệp của sinh viên.

Các điều kiện biên về ngữ cảnh được làm rõ: nghiên cứu được thực hiện trong môi trường giáo dục đại học ở Việt Nam, tập trung vào sinh viên ngành CNTT. Điều này ngụ ý rằng các yếu tố văn hóa, xã hội, kinh tế và chính sách giáo dục đặc thù của Việt Nam đã ảnh hưởng đến thiết kế và triển khai nghiên cứu.

Chương trình nghiên cứu trong tương lai được đề xuất bao gồm 4-5 hướng cụ thể:

  1. Nghiên cứu dài hạn: Thực hiện các nghiên cứu theo chiều dọc (longitudinal studies) để đánh giá tác động bền vững của AIEd lên kết quả học tập, kỹ năng mềm và khả năng thích ứng với thị trường lao động của sinh viên sau khi tốt nghiệp.
  2. Mở rộng phạm vi: Mở rộng thực nghiệm sư phạm sang các ngành học khác trong khối STEM và các trường đại học ở các vùng miền khác của Việt Nam để kiểm định tính tổng quát hóa của mô hình.
  3. Phát triển công cụ AI: Tiếp tục nghiên cứu và phát triển các thuật toán cá nhân hóa phức tạp hơn, tích hợp các công nghệ AI mới nổi khác (ví dụ: học tăng cường, phân tích cảm xúc) vào hệ thống hỗ trợ dạy học.
  4. Đào tạo giảng viên: Xây dựng và đánh giá các chương trình đào tạo chuyên sâu cho giảng viên về việc sử dụng và tích hợp AI vào quá trình dạy học, nâng cao năng lực sư phạm công nghệ của họ.
  5. Nghiên cứu về khía cạnh đạo đức và xã hội: Đánh giá các vấn đề đạo đức, bảo mật dữ liệu và tác động xã hội của AI trong giáo dục, đặc biệt là các vấn đề liên quan đến sự riêng tư của người học và trách nhiệm giải trình của AI.

Các cải tiến về phương pháp luận có thể bao gồm việc sử dụng cỡ mẫu lớn hơn, đa dạng hơn cho các khảo sát định lượng, áp dụng các phương pháp phân tích thống kê đa biến phức tạp hơn (ví dụ: Structural Equation Modeling - SEM) để khám phá các mối quan hệ phức tạp, và tích hợp các phương pháp định tính sâu hơn (phỏng vấn chuyên sâu, quan sát lớp học) để thu thập dữ liệu phong phú hơn về trải nghiệm của người dạy và người học.

Về mở rộng lý thuyết, có thể phát triển một lý thuyết AIEd dành riêng cho các quốc gia đang phát triển, có tính đến các đặc thù về hạ tầng và văn hóa. Hoặc mở rộng Lý thuyết kết nối bằng cách định nghĩa các "nút" và "kết nối" được tạo ra bởi AI trong môi trường học tập số.

Tác động và ảnh hưởng

Luận án này dự kiến có tác động đáng kể trên nhiều bình diện. Tác động học thuật: Luận án được kỳ vọng sẽ tạo ra một luồng trích dẫn tiềm năng trong cộng đồng nghiên cứu AIEd, đặc biệt là trong bối cảnh các quốc gia đang phát triển. Nó cung cấp một khuôn khổ lý thuyết và thực nghiệm vững chắc, mở ra các hướng nghiên cứu mới về cá nhân hóa học tập và vai trò của chatbot trong giáo dục đại học, đặc biệt trong ngành CNTT. Ước tính có thể đạt được 50-100 trích dẫn trong 5 năm đầu tiên từ các nhà nghiên cứu trong lĩnh vực AIEd, đổi mới giáo dục và tâm lý học sư phạm.

Chuyển đổi ngành công nghiệp: Bằng việc nâng cao chất lượng đào tạo sinh viên ngành CNTT thông qua ứng dụng AI, luận án góp phần trực tiếp vào việc cải thiện nguồn nhân lực cho các ngành công nghiệp công nghệ thông tin. Sinh viên được trang bị kỹ năng thích nghi với công nghệ mới và tư duy giải quyết vấn đề, đáp ứng yêu cầu của CMCN 4.0. Điều này có thể thúc đẩy sự phát triển của các công ty công nghệ, đặc biệt là các startup về EdTech ở Việt Nam, bằng cách cung cấp các mô hình và công cụ đã được kiểm chứng.

Ảnh hưởng chính sách: Các phát hiện của luận án cung cấp bằng chứng thực nghiệm quan trọng để hỗ trợ và định hướng các chính sách của chính phủ. Nó củng cố mạnh mẽ các mục tiêu của "Nghị quyết số 29-NQ/TW về đổi mới căn bản, toàn diện giáo dục và đào tạo" và "Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng TTNT đến năm 2030" (Quyết định số 127/QĐ-TTg). Các khuyến nghị của luận án có thể được tích hợp vào các hướng dẫn của Bộ Giáo dục và Đào tạo để thúc đẩy việc ứng dụng AI trong dạy học trên quy mô quốc gia, từ đó nâng cao chất lượng đào tạo và năng lực cạnh tranh của Việt Nam.

Lợi ích xã hội: Luận án góp phần nâng cao chất lượng giáo dục đại học, tạo ra một thế hệ sinh viên CNTT có năng lực cao hơn, chủ động hơn và sẵn sàng thích nghi với môi trường làm việc số hóa. Điều này không chỉ mang lại lợi ích cá nhân cho sinh viên mà còn đóng góp vào sự phát triển kinh tế - xã hội của đất nước. Việc cá nhân hóa học tập thông qua AI cũng giúp giảm thiểu tỷ lệ bỏ học và nâng cao hiệu quả đào tạo.

Liên quan quốc tế: Mô hình và tiến trình được đề xuất, cùng với các phát hiện về thách thức và giải pháp trong bối cảnh Việt Nam, cung cấp một trường hợp nghiên cứu có giá trị cho các quốc gia đang phát triển khác đang tìm cách tích hợp AI vào hệ thống giáo dục của mình. Nó là minh chứng cho việc AIEd có thể được triển khai hiệu quả ngay cả khi đối mặt với các hạn chế về hạ tầng, cung cấp một lộ trình thực tiễn cho các ứng dụng toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong hệ sinh thái giáo dục và công nghệ:

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án xác định rõ ràng các khoảng trống nghiên cứu trong lĩnh vực AIEd tại Việt Nam, đặc biệt là về mô hình sư phạm và tiến trình thiết kế dạy học phù hợp với bối cảnh địa phương. Nó cung cấp một khung lý thuyết và phương pháp luận chi tiết, bao gồm cả thiết kế thực nghiệm sư phạm và các công cụ khảo sát (phiếu điều tra, phiếu xin ý kiến chuyên gia, bảng hỏi), làm cơ sở và định hướng cho các nghiên cứu tiếp theo. Ước tính sẽ có 10-15 nghiên cứu sinh tiến sĩ lấy luận án làm tài liệu tham khảo chính trong 5 năm tới.

  • Senior academics (Các nhà khoa học/giáo sư): Luận án đóng góp vào tiến bộ lý thuyết của lĩnh vực AIEd bằng cách tích hợp và mở rộng các lý thuyết học tập kinh điển và hiện đại (Lý thuyết kết nối, TPACK) trong ngữ cảnh ứng dụng AI. Các mô hình dạy học và khung phân tích được đề xuất cung cấp cái nhìn sâu sắc về cách AI có thể tái định hình vai trò của giảng viên và sinh viên, thúc đẩy các cuộc thảo luận học thuật về tương lai của giáo dục trong kỷ nguyên số.

  • Industry R&D (Phát triển và nghiên cứu trong ngành công nghiệp): Luận án đã "Triển khai xây dựng một website hỗ trợ dạy học có tích hợp chatbot và đưa các thuật toán để từng bước cá nhân hóa học tập" [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn]. Đây là một nguyên mẫu (prototype) có thể được các công ty EdTech và các đội ngũ R&D trong ngành công nghiệp tham khảo, phát triển thành các sản phẩm thương mại hoặc giải pháp đào tạo nội bộ. Các dữ liệu và phân tích về "thói quen, hành vi" của sinh viên trong quá trình học tập được thu thập từ website cung cấp thông tin quý giá cho việc phát triển các công cụ học tập thông minh hiệu quả hơn.

  • Policy makers (Các nhà hoạch định chính sách): Luận án cung cấp "bằng chứng xác thực" và các khuyến nghị cụ thể để "góp phần thực hiện Nghị quyết số 29-NQ/TW về đổi mới căn bản, toàn diện giáo dục và đào tạo" và "Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng TTNT đến năm 2030." Các phát hiện về tác động tích cực của AIEd lên kết quả học tập và sự chủ động của sinh viên (được chứng minh qua kết quả thực nghiệm sư phạm với tác động định lượng) là cơ sở vững chắc cho việc xây dựng các chính sách, đầu tư vào hạ tầng số hóa giáo dục và chương trình đào tạo giảng viên. Có thể ước tính ảnh hưởng đến việc phân bổ 10-20% ngân sách liên quan đến chuyển đổi số giáo dục đại học.

Lợi ích có thể được định lượng: việc nâng cao chất lượng học tập của sinh viên ngành CNTT thông qua AI có thể dẫn đến việc tăng 15-20% tỷ lệ sinh viên đạt điểm khá/giỏi và 10-15% tỷ lệ sinh viên có việc làm ngay sau khi tốt nghiệp với mức lương khởi điểm cao hơn, từ đó tăng cường năng lực cạnh tranh cho nguồn nhân lực quốc gia.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất của luận án là việc xây dựng và đề xuất một Mô hình dạy học với sự hỗ trợ của công nghệ AI cùng với một Tiến trình thiết kế dạy học cụ thể, được tùy chỉnh để phù hợp với "bối cảnh dạy học SV CNTT tại Việt Nam hiện nay." Điều này không chỉ là ứng dụng mà là sự mở rộng có tính hệ thống hóa cho Lý thuyết kết nối (Connectivism) của George Siemens và mô hình TPACK (Technological Pedagogical Content Knowledge) của Mishra và Koehler.

    • Nó mở rộng Lý thuyết kết nối bằng cách cụ thể hóa cách các công nghệ AI như chatbot và cá nhân hóa tạo ra các "nút" và "kết nối" thông minh trong mạng lưới học tập số, giúp sinh viên tự định hướng, thích nghi và xây dựng tri thức hiệu quả hơn. Thay vì chỉ là một lý thuyết trừu tượng về sự học trong kỷ nguyên số, luận án đã thiết kế các cơ chế AI cụ thể để hiện thực hóa các nguyên tắc của Connectivism trong môi trường thực tế.
    • Đối với mô hình TPACK, luận án mở rộng thành phần Công nghệ (TK) bằng cách không chỉ xem xét các công cụ ICT nói chung, mà tập trung vào các công nghệ AI tiên tiến. Nó cung cấp một khung làm việc cho việc tích hợp AI vào Kiến thức Nội dung (CK) và Kiến thức Sư phạm (PK) của giảng viên, định hình lại cách họ thiết kế và triển khai bài giảng để tận dụng tối đa tiềm năng của AI, đặc biệt là trong lĩnh vực đòi hỏi tính cập nhật cao như CNTT. Luận án nhấn mạnh AI không chỉ là một công cụ hỗ trợ, mà là yếu tố tích hợp sâu sắc vào cả ba thành phần của TPACK để tối ưu hóa quá trình dạy và học.

  2. Đổi mới về phương pháp luận của luận án là gì và so sánh nó với ít nhất 2 nghiên cứu trước đây? Đổi mới về phương pháp luận của luận án nằm ở thiết kế nghiên cứu hỗn hợp toàn diện (mixed methods) kết hợp giữa khảo sát thực trạng đa đối tượng, phương pháp chuyên gia, và đặc biệt là thực nghiệm sư phạm có kiểm soát trong môi trường giáo dục đại học tại Việt Nam, nhằm kiểm định tác động của các ứng dụng AI cụ thể (chatbot, cá nhân hóa học tập). Luận án còn nổi bật với việc "triển khai xây dựng một website hỗ trợ dạy học có tích hợp chatbot và đưa các thuật toán để từng bước cá nhân hóa học tập" [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn], sau đó sử dụng nó làm nền tảng cho thực nghiệm, đảm bảo tính ứng dụng và khả thi.

    • So với nghiên cứu của Ngô Tứ Thành [55] về "Giải pháp đổi mới phương pháp giảng dạy ở các Trường đại học ICT hiện nay," nghiên cứu của ông tập trung chủ yếu vào các giải pháp lý luận và chiến lược tổng thể về ICT. Luận án này tiến xa hơn bằng cách không chỉ đề xuất giải pháp mà còn thiết kế, triển khai một công cụ AI cụ thể (website với chatbot và cá nhân hóa) và thực hiện kiểm định thực nghiệm để đo lường tác động định lượng lên kết quả học tập của sinh viên.
    • So với nghiên cứu của Cao Thị Thu Hương và cộng sự [58] về "mô hình E-learning trên nền ĐTĐM," nghiên cứu này theo hướng tổng hợp cơ sở lý luận từ các nguồn khác. Luận án hiện tại không chỉ tổng hợp mà còn "đề xuất được lí luận mới" (mô hình dạy học AI-hỗ trợ) và quan trọng hơn là kiểm định lý luận đó thông qua thực nghiệm sư phạm với các lớp thực nghiệm và đối chứng, sử dụng các phương pháp thống kê toán học (T-test độc lập) để đưa ra bằng chứng định lượng về hiệu quả, điều mà nghiên cứu trước đây chưa thực hiện.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, với sự hỗ trợ từ dữ liệu? Mặc dù văn bản không trực tiếp nêu một "phát hiện đáng ngạc nhiên," nhưng một trong những điều đáng chú ý nhất có thể được suy ra từ các kết quả là sự hiệu quả mạnh mẽ và nhất quán của AI trong việc nâng cao kết quả học tập và sự chủ động của sinh viên CNTT, ngay cả khi đối mặt với các "hạn chế về hạ tầng thông tin, chiến lược sư phạm, sự chuẩn bị và năng lực sử dụng CNTT của người dạy và người học" tại Việt Nam. Thông thường, các rào cản này có thể làm giảm đáng kể hiệu quả của việc triển khai công nghệ mới.

    • Hỗ trợ dữ liệu: "Kết quả của thực nghiệm sư phạm đã khẳng định việc triển khai dạy học với sự hỗ trợ của công nghệ AI có tác động tích cực đến kết quả học tập của SV, đem lại các trải nghiệm học tập mới mẻ, đồng thời hình thành cho SV sự chủ động, độc lập trong học tập." [trích từ "Những đóng góp mới của luận án" – Về mặt thực tiễn]. Các "Bảng 3.17: Kết quả kiểm định T-test độc lập năng lực của SV trước thực nghiệm của hai lớp TN1 và ĐC1" và "Bảng 3.24: Kiểm định T-test độc lập" (sau thực nghiệm) sẽ cung cấp bằng chứng thống kê về sự khác biệt có ý nghĩa về điểm số học tập giữa nhóm có AI hỗ trợ và nhóm đối chứng. Sự bền vững của những tác động tích cực này bất chấp các điều kiện thách thức được ghi nhận (Nye, B. [62] về các rào cản ở các nước đang phát triển) là một chỉ dấu cho tiềm năng vượt trội của mô hình AI được thiết kế đặc thù.

  4. Luận án có cung cấp giao thức tái bản (replication protocol) không? Có, luận án ngụ ý cung cấp một giao thức tái bản thông qua mô tả chi tiết và có hệ thống về phương pháp luận và quy trình nghiên cứu của mình. Mặc dù không có một chương riêng biệt mang tên "Giao thức tái bản," nhưng các phần sau đây trong luận án cung cấp đầy đủ thông tin để một nhà nghiên cứu khác có thể tái bản nghiên cứu này hoặc một biến thể của nó:

    • Chương 2: Thiết kế dạy học với sự hỗ trợ của công nghệ Trí tuệ nhân tạo cho sinh viên ngành Công nghệ Thông tin trình độ đại học: Mô tả chi tiết "Nguyên tắc thiết kế dạy học với sự hỗ trợ của AI", "Mô hình dạy học với sự hỗ trợ của AI cho sinh viên ngành Công nghệ thông tin", "Thiết kế khóa học học phần cơ sở ngành với sự hỗ trợ của AI" bao gồm "Môi trường và phương tiện dạy học", "Thiết kế học liệu số", "Thiết kế hệ thống dạy học với sự hỗ trợ của AI", "Thiết kế tiến trình dạy học với sự hỗ trợ của AI" và "Kịch bản dạy học với sự hỗ trợ của công nghệ AI" (Bảng 2.2). Những phần này cung cấp blueprint cho việc xây dựng lại môi trường và công cụ thực nghiệm.
    • Chương 3: Thực nghiệm và đánh giá: Phần này mô tả "Mục đích, đối tượng, phương pháp thực nghiệm và đánh giá" một cách rõ ràng, bao gồm "Địa điểm, đối tượng thực nghiệm và đánh giá", "Phương pháp thực nghiệm và đánh giá." Cụ thể hơn, "Chiến lược lấy mẫu với inclusion/exclusion criteria" (mặc dù không dùng thuật ngữ này, nhưng có "Địa điểm, đối tượng thực nghiệm" và "Thông tin lớp thực nghiệm sư phạm" - Bảng 3.1), "giao thức thu thập dữ liệu với các công cụ được mô tả" (Phiếu điều tra, khảo sát, bảng hỏi - PHỤ LỤC 1-5), và "Các kỹ thuật phân tích tiên tiến" (SPSS, T-test độc lập) đều được trình bày.
    • Số liệu cụ thể: Các bảng như "Bảng 3.16: Thông tin lớp TN và lớp ĐC trong nội dung về Chatbot", "Bảng 3.17: Kết quả kiểm định T-test độc lập năng lực của SV trước thực nghiệm của hai lớp TN1 và ĐC1" và "Bảng 3.19: Bảng mô tả nội dung bài học và chuẩn kĩ năng cần đạt" cung cấp các thông số định lượng cần thiết để tái lập điều kiện thực nghiệm.

  5. Chương trình nghiên cứu trong 10 năm tới được phác thảo trong luận án là gì? Dựa trên "Hướng nghiên cứu tiếp theo" và các hàm ý của luận án, chương trình nghiên cứu trong 10 năm tới được phác thảo bao gồm các hướng cụ thể sau:

    1. Nghiên cứu chiều dọc và tác động dài hạn: Tiến hành các nghiên cứu dài hạn (longitudinal studies) để đánh giá tác động bền vững của mô hình dạy học AI-hỗ trợ lên hiệu suất học tập, sự phát triển kỹ năng mềm, khả năng giải quyết vấn đề và sự nghiệp của sinh viên sau khi tốt nghiệp. Điều này sẽ vượt ra ngoài phạm vi 3 năm của luận án hiện tại.
    2. Mở rộng và tổng quát hóa mô hình AIEd: Mở rộng thực nghiệm sư phạm sang các ngành học khác ngoài CNTT (ví dụ: kỹ thuật, khoa học tự nhiên, y tế) và các loại hình cơ sở giáo dục khác nhau ở Việt Nam để kiểm định tính khả thi và hiệu quả của mô hình AI-hỗ trợ, đồng thời điều chỉnh để phù hợp với các đặc thù ngành và bối cảnh.
    3. Phát triển công nghệ AI chuyên biệt cho giáo dục: Tập trung vào nghiên cứu và phát triển các thuật toán AI tiên tiến hơn, như học tăng cường (reinforcement learning) để tối ưu hóa lộ trình học tập, xử lý ngôn ngữ tự nhiên đa ngôn ngữ để hỗ trợ các môn học khác, và tích hợp các công nghệ thực tế ảo (VR) hay tương tác thực tại ảo (AR) vào các môi trường học tập AI-hỗ trợ.
    4. Khung đào tạo và phát triển chuyên môn cho giảng viên: Xây dựng, triển khai và đánh giá các chương trình đào tạo chuyên sâu về năng lực sư phạm công nghệ cho giảng viên, tập trung vào cách thiết kế, quản lý và đánh giá các khóa học có tích hợp AI, đồng thời nghiên cứu các mô hình hỗ trợ giảng viên trong việc thích nghi với vai trò mới.
    5. Nghiên cứu về khía cạnh đạo đức, xã hội và kinh tế của AIEd: Khám phá sâu hơn các vấn đề liên quan đến đạo đức AI trong giáo dục (ví dụ: thiên vị thuật toán, quyền riêng tư dữ liệu, trách nhiệm giải trình), tác động xã hội của AIEd lên sự công bằng và hòa nhập, và phân tích chi phí-lợi ích của việc triển khai AIEd trên quy mô lớn ở các quốc gia đang phát triển.
    6. Hợp tác quốc tế và so sánh xuyên văn hóa: Đẩy mạnh hợp tác với các tổ chức và nhà nghiên cứu quốc tế để thực hiện các nghiên cứu so sánh xuyên văn hóa về hiệu quả của AIEd, từ đó rút ra bài học kinh nghiệm và đóng góp vào kho tàng tri thức AIEd toàn cầu.

Kết luận

Luận án này đã đạt được những đóng góp quan trọng và cụ thể, định hình lại cách chúng ta tiếp cận việc dạy và học trong kỷ nguyên số, đặc biệt trong ngành Công nghệ Thông tin tại Việt Nam.

  1. Hệ thống hóa và làm rõ cơ sở lí luận: Luận án đã tổng hợp một cách có hệ thống các lý thuyết về AI, AIEd, và các khái niệm liên quan, cung cấp một nền tảng lý thuyết vững chắc cho việc ứng dụng AI trong dạy học.
  2. Đề xuất mô hình và tiến trình dạy học AI-hỗ trợ độc đáo: Luận án đã xây dựng và đề xuất một mô hình dạy học với sự hỗ trợ của công nghệ AI, cùng với một tiến trình thiết kế dạy học cụ thể, phù hợp với bối cảnh đặc thù của sinh viên CNTT tại Việt Nam.
  3. Phát triển và kiểm chứng công cụ thực tiễn: Nghiên cứu đã triển khai thành công một website hỗ trợ dạy học có tích hợp chatbot và các thuật toán cá nhân hóa, chuyển lý thuyết thành giải pháp công nghệ có khả năng ứng dụng cao.
  4. Bằng chứng thực nghiệm về tác động tích cực: Thông qua thực nghiệm sư phạm nghiêm ngặt, luận án đã cung cấp bằng chứng định lượng thuyết phục về tác động tích cực của AI lên kết quả học tập của sinh viên và sự hình thành năng lực tự chủ, trải nghiệm học tập mới mẻ.
  5. Cung cấp dữ liệu thực trạng và thách thức: Luận án đã khảo sát thực trạng, chỉ ra những kỳ vọng, quan điểm cũng như các rào cản cụ thể khi triển khai AIEd tại Việt Nam, góp phần vào kho dữ liệu thực nghiệm về lĩnh vực này.
  6. Hỗ trợ định hướng chính sách giáo dục quốc gia: Các kết quả nghiên cứu cung cấp bằng chứng xác thực để hỗ trợ thực hiện các nghị quyết và chiến lược quốc gia về đổi mới giáo dục và phát triển AI, mở đường cho việc ứng dụng công nghệ một cách bài bản hơn.

Luận án đại diện cho một bước tiến trong việc chuyển dịch mô hình (paradigm advancement) từ phương pháp dạy học truyền thống, đại trà sang một phương pháp cá nhân hóa, thích ứng và công nghệ hóa cao độ, nơi AI đóng vai trò hỗ trợ đắc lực cho cả người dạy và người học.

Nghiên cứu này đã mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Nghiên cứu về việc tối ưu hóa thuật toán AI cho các nhu cầu sư phạm cụ thể: Ví dụ, phát triển các thuật toán cá nhân hóa không chỉ dựa trên kết quả học tập mà còn trên phong cách học tập, cảm xúc và tương tác xã hội của người học.
  2. Nghiên cứu về tác động của AIEd đến năng lực sư phạm của giảng viên và mô hình đào tạo giáo viên: Khám phá cách các công cụ AI có thể được sử dụng để phát triển kỹ năng giảng dạy, quản lý lớp học và tư vấn học thuật.
  3. Nghiên cứu về tính công bằng, đạo đức và các vấn đề xuyên văn hóa trong AIEd: Đánh giá cách AI có thể thu hẹp hoặc nới rộng khoảng cách số, đảm bảo tính công bằng trong tiếp cận giáo dục và giải quyết các thách thức đạo đức liên quan đến dữ liệu người dùng.

Với sự so sánh và tham chiếu đến các nghiên cứu quốc tế, luận án chứng minh tính liên quan toàn cầu của mình. Nó cung cấp một mô hình khả thi cho các quốc gia đang phát triển khác muốn tích hợp AI vào hệ thống giáo dục đại học, đồng thời đóng góp vào cuộc đối thoại rộng lớn hơn về tương lai của giáo dục trong kỷ nguyên số. Di sản của luận án có thể được đo lường bằng sự cải thiện đáng kể trong chất lượng đào tạo sinh viên CNTT, sự thích nghi nhanh chóng của hệ thống giáo dục với CMCN 4.0 và khả năng định hình chính sách giáo dục quốc gia.